利用门控图神经网络改进智能交通系统中的交通密度预测
机器学习
2023-10-30 v1 人工智能
计算机视觉与模式识别
摘要
本研究深入探讨图神经网络在交通预测这一智能交通系统关键方面的应用。在此类系统中,准确的交通预测对于行程规划、交通控制和车辆路由等功能至关重要。本文在交通预测背景下探讨了三种主流 GNN 架构:图卷积网络(GCN)、图采样与聚合(GraphSAGE)和门控图神经网络(GGNN)。详尽考察了每种架构的方法,包括层配置、激活函数和超参数。主要目标是最小化预测误差,GGNN 作为三种模型中最有效的选择脱颖而出。研究概述了每种架构的结果,通过均方根误差和平均绝对误差(MAE)阐明其预测性能。假设性结果显示出有趣的见解:GCN 的 RMSE 为 9.10、MAE 为 8.00,而 GraphSAGE 有所改进,RMSE 为 8.3、MAE 为 7.5。门控图神经网络(GGNN)的 RMSE 最低,为 9.15,且 MAE 出色地达到 7.1,使其成为领先者。
引用
@article{arxiv.2310.17729,
title = {Improving Traffic Density Forecasting in Intelligent Transportation Systems Using Gated Graph Neural Networks},
author = {Razib Hayat Khan and Jonayet Miah and S M Yasir Arafat and M M Mahbubul Syeed and Duc M Ca},
journal= {arXiv preprint arXiv:2310.17729},
year = {2023}
}